Liquid AI udostępnia model LFM2.5-24B-A2B o otwartych wagach dla agentów AI działających lokalnie

Liquid AI 13 października 2026 roku udostępniło LFM2.5-24B-A2B, model rozumowania typu Mixture-of-Experts, który ma łącznie 24 miliardy parametrów, ale dla każdego tokenu aktywuje tylko 2 miliardy. Firma zbudowała go z myślą o szybkich, prywatnych agentach działających na sprzęcie użytkownika. Zarówno model, jak i wersja bazowa LFM2.5-24B-A2B-Base są dostępne z otwartymi wagami w serwisie Hugging Face.

Według Liquid AI model zawsze przed udzieleniem odpowiedzi zapisuje wyraźny łańcuch rozumowania, potrafi wywoływać narzędzia i radzi sobie z wieloetapowymi zadaniami w popularnych środowiskach agentowych. Ponieważ na każdy token aktywuje się tak mało parametrów, każdy krok rozumowania jest tani, co – jak twierdzi firma – sprawia, że ciągła praca agentów na lokalnych komputerach jest praktyczna.

Architektura i trening

Nowa wersja zachowuje architekturę poprzednika, LFM2-24B-A2B: 40 warstw, 64 ekspertów w każdym bloku MoE z trasowaniem top-4 oraz hybrydę bramkowanych krótkich splotów i uwagi grupowo-zapytaniowej (grouped-query attention). Okno kontekstowe zwiększono z 32K do 131K tokenów, a słownik podwojono z 65K do 128K tokenów, aby lepiej obsługiwać pisma niełacińskie. Wstępny trening wzrósł z około 17 bilionów do około 33 bilionów tokenów, a po nim zastosowano pięcioetapowy potreningowy proces, który kończy się uczeniem ze wzmocnieniem w środowiskach takich jak OpenClaw, Hermes Agent, Pi i OpenCode.

Wyniki testów i szybkość

W testach przeprowadzonych przez Liquid AI w 16 benchmarkach model uzyskał 48,09 pkt w LiveClaw, wobec 38,19 pkt dla Qwen3.6-35B-A3B, który ma około 50% więcej parametrów łącznie i aktywnie. Firma twierdzi, że w AutomationBench wynik ponad trzykrotnie przewyższył kolejny najlepszy, a model prowadził we wszystkich trzech benchmarkach śledzenia instrukcji. W porównaniu uwzględniono także Gemma-4-26B-A4B-it oraz Nemotron-3.5-Lightning.

Wyniki nie są jednoznacznie korzystne. Więksi konkurenci wciąż prowadzą w testach wymagających wiedzy, takich jak GPQA Diamond i HLE, oraz w zadaniach programistycznych: w SWE-Bench Verified model uzyskał 51,00 pkt, a Qwen3.6-35B-A3B – 66,20 pkt. Liquid AI zaleca łączenie modelu z wyszukiwaniem dokumentów lub wyszukiwarką internetową przy pracy wymagającej wiedzy. Wszystkie wyniki są podawane przez samą firmę i nie zostały niezależnie zweryfikowane.

Jeśli chodzi o wydajność, firma podaje 184 tokeny na sekundę na procesorze Apple M5 Max, 114 na AMD Ryzen AI Max+ 395 oraz ponad 21 000 tokenów wyjściowych na sekundę przy dużej liczbie równoległych zapytań na pojedynczym układzie NVIDIA B300. Od premiery dostępne jest wsparcie dla llama.cpp, MLX, vLLM, SGLang i ONNX. Premiera wpisuje się w szersze dążenie do tworzenia zdolnych agentów działających lokalnie, a nie wyłącznie w chmurze.